Hur AI förändrar produktupptäckt

Läs transkriberingen:

Vi testar att transkribera våra poddar med hjälp av ett datorprogram. Ha överseende med eventuella stavfel eftersom boten inte har rätt 100 % av gångerna.

Hannah Clark: Jag vet att jag predikar för de redan övertygade, men jag tänker säga det ändå. Produkter måste framför allt vara användbara. Ändå finns det ingen brist på produkter som byggts utifrån en hög antaganden om vad användarna faktiskt vill ha. Så varför försummar så många organisationer produktupptäcktsprocessen? Jag är säker på att alla produktchefer som också fungerat som de facto-ansvariga för användarundersökningar kan berätta varför. Det tar tid, det är dyrt och det är verkligen, verkligen svårt att både få ett tillräckligt stort urval av kunddata och omvandla den datan till konkreta åtgärder.

Min gäst i dag är Craig Watson, grundare och vd för Arro, ett AI-drivet verktyg för användarundersökningar. Craigs passion för produktupptäckt under hela sin karriär har gett honom många insikter i hur användarundersökningsprocessen kan förenklas för tillväxtföretag och andra produktteam. Du kommer också att höra honom dela konkreta taktiker för att arbeta bättre med produktupptäckt med hjälp av generativ AI. Då sätter vi igång.

Välkommen tillbaka till podden för produktchefer. Jag är här med Craig Watson. Han är grundare och vd för Arro.

Craig, tack så mycket för att du vill vara med i dag.

Craig Watson: Tack så mycket. Det är roligt att vara här.

Hannah Clark: Craig, kan du berätta lite om din yrkesbakgrund och hur du hamnade där du är i dag på Arro?

Craig Watson: Absolut. Jag har arbetat i produktroller i ungefär 15 år och började i en mer startupinriktad miljö. Vi hade några startupföretag baserade i Irland där vi byggde produkter direkt efter universitetet. Vi försökte lära oss medan vi tog oss an projekten och verkligen förstå hur man faktiskt bygger produkter för konsumenter.

Efter ungefär fyra år gick vi vidare till ett musiktechföretag som vi startade 2012 och som hette Soundwave. Det var en klassisk riskkapitalfinansierad startup. Återigen var det många upp- och nedgångar, och man lärde sig snabbt genom arbetet. Det var förmodligen då jag lärde mig mest om produktupptäckt, vilket vi kommer att gå in på i det här samtalet.

Det jag verkligen uppskattade med den erfarenheten var att vi var så tidigt i våra karriärer att vi tvingades göra många olika roller som produktchef. Man inser att man måste göra många olika typer av aktiviteter, från användarundersökningar till leverans och produktledning vid olika tidpunkter.

Vi blev sedan uppköpta av Spotify 2016 och började arbeta där, vilket var en väldigt bra erfarenhet. Jag hade inte planerat att stanna så länge, men till slut blev det fem år. Det var en fantastisk erfarenhet eftersom Spotify växte väldigt snabbt vid den tiden. Jag tror att det var färre än tusen personer inom forskning och utveckling när jag började, och när jag slutade var det närmare 3 000 eller fler. Det var en enorm tillväxt.

Jag arbetade på Stockholmskontoret i ett par år i tillväxtteamet. Sedan flyttade jag till London när de öppnade ett kontor, för att hjälpa till att starta några produktinitiativ för TEO, välja barnappen och Spotify Duo, samt några andra delar. Det var naturligtvis väldigt annorlunda jämfört med startupvärlden och en helt annan miljö att vara produktchef i, men jag trivdes verkligen.

Senast gick jag faktiskt över till konsultarbete i ungefär ett och ett halvt år. Då arbetade jag specifikt med produktupptäckt och försökte hjälpa andra företag att förbättra sina undersökningsmetoder, lära sig hur man kommer i kontakt med kunder, fatta beslut baserade på evidens och i grunden hjälpa dem att bygga bättre produkter.

För att ta det från början: för ungefär ett och ett halvt år sedan insåg vi att det fanns en möjlighet att bygga intressant teknik i takt med att saker utvecklades med grundläggande stora språkmodeller. Jag och min medgrundare Johannes började samarbeta. Jag kan berätta lite mer om det längre fram.

Hannah Clark: Absolut. Innan vi går vidare, kan du berätta lite om produktupptäckt i allmänhet och varför det har blivit något du brinner för?

Craig Watson: Jag tror att det som alltid har lockat mig till produktupptäckt är blandningen av vetenskap och konst. Det är intressant att fundera på hur man verkligen förstår vad kunder vill ha, vilka krav som finns och vilka behov de har. Men det finns också en konstform i det: att förstå vilka frågor man ska ställa och veta vad som kan vara ledande eller vinklat.

Jag har alltid tyckt om leveransdelen av produktledning som hantverk, men det är den tidigare delen av tratten, där man försöker förstå vilken produkt man ska bygga, som ofta förbises trots att den vanligtvis har stor påverkan. Av någon anledning har min personlighet gjort att jag dragits till den delen, eftersom jag tycker att den är fascinerande.

Hannah Clark: Ja, naturligtvis. Det finns knappast något mer fascinerande än att förstå vad människor verkligen vill ha. När du tänker på ditt tidigare arbete med produktupptäckt, innan AI blev det verktyg det är i dag, hur brukade du gå till väga för att på djupet förstå användarnas problem och avgöra vad ni skulle bygga?

Craig Watson: Det är också värt att nämna att vi gjorde många av alla klassiska misstag som man gör när man börjar arbeta med användarundersökningar. Vi fick lära oss den hårda vägen. Ibland hoppade vi direkt till lösningsläget, gjorde den klassiska valideringsövningen och försökte bevisa att något var rätt.

Jag tror att det är den vanligaste fallgropen jag har sett hos produktchefer. Det krävs ett helt annat tankesätt för att falsifiera. Det är ganska svårt eftersom man har en idé och är entusiastisk över den. Man måste samla människor kring idén och få intressenterna engagerade, men bra forskning och den vetenskapliga processen handlar i praktiken om falsifiering.

Det handlar faktiskt om att gå ut och se vad som inte fungerar. Det tog ett tag för oss att verkligen anpassa oss till det tankesättet. En del av det handlar också om metoden när man ställer frågor: att se till att man inte leder, att vara objektiv och så vidare. Jag kan också ge lite bakgrund.

Första gången var vi i tjugoårsåldern. Soundwave började ta fart, vi hade över en miljon installationer av appen och försökte bygga en ny funktion. Vi hade individuella samtal med människor. På den tiden gjorde vi dem faktiskt personligen, innan det blev vanligare att göra dem på distans.

Vi lärde oss snabbt vad människor ville ha. Vi var entusiastiska över det som byggdes, men på vissa sätt var arbetet ganska självrefererande eftersom funktionaliteten vi utforskade var så begränsad. Vi gick egentligen inte in på problemen. Det var inte generativt utan mer utvärderande.

Det var ungefär: här är några saker vi funderar på att bygga. Vi försöker lära oss mer om deras intressen och om musik i synnerhet vid den tiden. Vi tog faktiskt in en extern chef som hjälpte oss med konsultarbetet och intervjuerna. Han sade: "Det ni gör är okej, men ni måste vara medvetna om att ni kan fastna i lokala maximum här."

Ni optimerar produkten, men i det skede er startup befinner sig i behöver ni verkligen tänka på mer generativ och grundläggande forskning. Förstå vilka uppgifter människor vill utföra, förstå sammanhanget och vilka resultat de försöker uppnå.

Börja sedan bygga lösningen kring det. Det var en annan viktig lärdom. När man har ett lösningsorienterat tankesätt och vill optimera något som man tycker är en fantastisk idé, är det svårt att lägga egot åt sidan, lyssna på människor och förstå var luckorna finns, vilka steg i deras arbetsflöden man kan förbättra och verkligen bygga produkten kring det.

Så jag tror inte att jag har löst allt, och jag behöver definitivt hjälp. Jag har arbetat med fantastiska undersökningsspecialister och datavetare genom åren. Men jag tror åtminstone att jag förstår de mentala modellerna och ramverken lite bättre nu.

Hannah Clark: Det är fantastiskt. Det låter verkligen som att du har tagit till dig ramverket Jobs To Be Done som en central del av processen.

Kan du gå igenom hur den upptäcktsprocessen såg ut och hur ni tillämpade de metoderna när ni grundade Arro?

Craig Watson: Vi har en process nu där vi börjar med att titta på uppgifterna. När jag säger uppgifter beror det på hur detaljerad nivå man vill gå ner på, men i grunden försöker man lära sig av kunderna.

Man försöker förstå vad de vill eller vilka problem de har i livet. Vi börjar med att fråga: vad betyder det faktiskt i praktiken? Vad behöver man göra när man ska utforma en undersökning? Man måste bestämma vad det är man försöker lära sig.

Sedan måste man rekrytera deltagare och fundera på vilken metod man ska använda för att engagera kunder. Därefter måste man fundera på hur man ska sammanställa informationen, vad man ska ta med sig från den, hur man ska sprida den internt, dela den med teamet eller intressenterna och sedan hur man ska agera utifrån den.

Det är ganska abstrakt och översiktligt, men inom varje sådan uppgift finns en hel mängd resultat. Om man till exempel tänker på rekrytering till undersökningar: vad ingår där? Behöver man ta fram en lista över personer från en databas och förstå ett kundsegment?

Vill man rekrytera från en extern panel för att det ska gå snabbare, även om det kanske inte är den befintliga kundbasen? Vilka frågor kring dataskydd och efterlevnad måste man vara medveten om när man engagerar kunder? Det blir som en lång lista över resultat under varje uppgift. Det kan låta lite torrt, nästan som att måla efter siffror, men när man kartlägger alla steg och de olika resultaten får man ett ramverk för att förstå vilka delar som är underbetjänade och vilka som är överbetjänade.

Jag har lånat mycket från andra författare och experter, till exempel författare inom Jobs To Be Done, Anthony Ulwick och andra som skrev om Outcome-Driven Innovation. Sedan dess har många förbättrat idéerna. Men det är lätt att gå vilse i programvara och fastna i saker som personas, etiketter och kategorier, som kanske inte är lika relevanta för det man försöker lära sig. Om man tänker på B2B-området vi befinner oss i är det mycket arbetsflödesbaserat, och det kommer det alltid att vara. När det gäller undersökningar har människor en uppgift: de försöker åtgärda något. Det var så vi gick till väga med Arro.

Vi kartlade landskapet, såg var luckorna fanns och det som återkom gång på gång var att det fanns så mycket tröghet kring kundintervjuer. Det var verkligen svårt att få människor att delta i ett samtal. Det fanns återigen en mängd steg. Vilka var stegen i processen? Först måste man hitta människorna, sedan engagera dem, boka en tid, faktiskt genomföra samtalet, transkribera det, sammanställa informationen, koda alla resultat, göra en tematisk analys, betala deltagarna och göra detta för 50 personer eller vad det nu är – 5 eller 10 personer.

Sedan måste man försöka förstå den aggregerade bilden. Det är fortfarande det vanligaste sättet att bedriva undersökningar på. Jag är en stark förespråkare för individuella kundintervjuer, men det fick oss att inse att det kanske fanns en lucka där. Med tanke på hur AI utvecklas är det inte orealistiskt att tänka sig att många av de deluppgifter som rör genomförandet av modererade intervjuer kan ersättas eller förstärkas av AI.

Det var den luckan vi ville fokusera på. Vi har i praktiken byggt vår produktstrategi kring den.

Hannah Clark: Om vi bygger vidare på det, vilka delar tror du har stor potential att förändras av stora språkmodeller, eller ser du redan sådana förändringar ske?

Craig Watson: De mest uppenbara användningsområdena hittills, särskilt inom produktundersökningar, har förmodligen varit att omvandla ostrukturerade data till strukturerade data. Stora språkmodeller är helt enkelt väldigt bra på det, i många fall bättre än människor, eftersom de kan ta stora mängder ostrukturerad text från många datapunkter och omvandla den till något meningsfullt och korrekt – för det mesta, men inte alltid.

Det teamen börjar bli bättre på är saker som källhänvisning: att kunna se beviskedjan mellan vem som sade vad och förstå hur det hänger ihop med ett visst tema. Många av de tidiga framgångarna inom området har handlat om sammanställningsdelen. Anledningen till att vi själva lutade mer åt den generativa sidan är att Arro är ett sätt för människor att genomföra intervjuer, alltså AI-skapade samtal med deltagare.

Man anger några frågor, AI:n genomför samtalet och tar sedan insikterna, sammanställer dem och skapar en rapport över vad man har lärt sig från 50, 100 eller 1 000 personer. En fördel med AI är att man kan skala upp mycket enklare. Vi ville därför lägga lite mer tid på den generativa AI-delen, eftersom själva intervjuerna är mer generativa till sin natur, och jag tycker att det är väldigt intressant.

En annan del som vi börjar fundera på är bild-API:er och multimodal förståelse. Då kan man förstå hur människor navigerar i ett användargränssnitt och genom en produkt. Jag tror att det kommer att bli en mycket viktigare funktion under de kommande 12–18 månaderna, eftersom tekniken nu börjar komma ikapp.

Om man återigen tänker på Jobs To Be Done-ramverket finns det redan många verktyg som använder saker som iframes för att förstå hur människor navigerar genom en Figma-prototyp. Men om ett par år kanske det inte längre är meningsfullt att göra på det sättet. Det skulle vara enklare, billigare och mer exakt att låta en AI observera vad som händer i användarens synfält, kanske till och med moderera användbarhetstester, och sedan återkomma med insikterna. Det är två saker vi tittar på.

Hannah Clark: Ja, det är fascinerande – saker som vi inte ens hade trott var möjliga för ett par år sedan. Det är verkligen intressant att se hur snabbt utvecklingen går åt det hållet.

Vilka andra sätt ser du att produktteam använder AI till sin fördel under 2024 för att bli mer effektiva i produktupptäcktsfasen?

Craig Watson: Det finns en hel del. Vi har förmodligen genomfört omkring 150–200 egna kundintervjuer vid det här laget. Vi har talat med många personer inom produktutveckling: användarundersökare, produktdesigners och produktchefer. Jag blir faktiskt ibland förvånad över hur sällan AI används.

Det låter kanske lite konstigt eftersom de flesta inom teknik brukar vara tidiga användare och snabbt tar till sig den senaste innovationen, men jag tror fortfarande att det finns ett visst motstånd mot att införa tekniken på arbetsplatsen. Det kan bero på många olika saker.

Ibland handlar det om interna riktlinjer. Det kan vara säkerhetsproblem eller att man helt enkelt inte är säker på användningsområdet. Även om vi befinner oss i en teknikbubbla genomförde vi nyligen en undersökning med ett relativt litet urval på ungefär hundra personer. Den var inte särskilt representativ, men det var intressant att få vissa riktningar.

Många är fortfarande osäkra på hur de ska få ut mesta möjliga av AI på arbetsplatsen. Privat kanske de använder ChatGPT, testar Perplexity eller har provat Midjourney och utforskar och experimenterar. Men det är fortfarande mycket tidigt. Vi är bara i början.

Det är också det som entusiasmerar mig mest. Ibland tänker man att AI finns överallt. Om man går in på Twitter handlar allt om AI och det känns som att tekniken har tagit över världen och att AGI är precis runt hörnet. Men det är fortfarande väldigt tidigt. I ett B2B-sammanhang är vi ännu tidigare i utvecklingen.

Det tycker jag är väldigt intressant. Vad skulle kunna hända där? För att återgå till din fråga om hur människor använder tekniken: mycket handlar om innehållsgenerering, vilket förmodligen är det vanligaste användningsområdet. Det kan till exempel vara att hjälpa till att skriva användarberättelser om man är produktchef.

Det kan också handla om att formulera en undersökning eller ett förslag om man är undersökare, eller skapa en samtalsguide. På sammanställningssidan har människor börjat använda AI, inte alltid genom särskilda verktyg utan genom att klistra in en transkribering eller använda en automatisk transkribering från Zoom eller något annat verktyg.

Vi använder ett verktyg som heter Grain för att spela in alla våra videor, och det är utmärkt. Det transkriberar hela samtalet, men man kan också lägga till sin egen datamodell och ställa frågor om transkriberingarna. Det är fascinerande. Man kan fråga vilka uppgifter som identifierades i samtalet eller vilka personas som verkar ha framträtt.

Vi börjar alltså se de två ytterligheterna: att antingen skapa innehållet eller minska arbetet med att förstå innehållet. Det är förmodligen de vanligaste användningsområdena. Men det är återigen de tidiga dagarna, och det är det som är spännande.

Hannah Clark: Väldigt spännande. Det får en att tänka på all den tid som undersökare tidigare har behövt lägga på att verkligen sammanställa stora mängder information som kan vara mycket oorganiserad.

Man arbetar med människors mänskliga svar, så det kan vara svårt att få fram de mer nyanserade insikterna, särskilt om man har gjort mycket forskning för många olika produkter. Jag är också väldigt intresserad av att se hur det utvecklas. När vi talar om några av samma verktyg tror jag att mycket också gäller att hitta produkt–marknadspassning.

Finns det något du tror ligger i horisonten när det gäller hur AI kan hjälpa produktteam att hitta rätt passning?

Craig Watson: Det är en bra fråga. Produkt–marknadspassning är kontroversiell, särskilt efter att ha drivit startupföretag under så lång tid. Det är den heliga graal som alla strävar efter, men samtidigt är det en resa som aldrig tar slut. Man når aldrig riktigt slutdestinationen eftersom marknaden eller produkten förändras.

Jag tror att det är svårt att säga att ett eller två specifika angreppssätt kommer att hjälpa en att nå dit. Det handlar snarare om en kombination där man på olika sätt börjar röra sig mot målet.

Ett konkret exempel är de välkända undersökningarna som spreds för några år sedan. Rahul Vohra från Superhuman arbetade med ett frågeformulär om produkt–marknadspassning som byggde på segmentering. Det var ett populärt sätt att snabbt försöka förstå om man hade produkt–marknadspassning, och metoden har absolut vissa fördelar. Man kan förstå hur besvikna människor skulle bli om produkten försvann. Men det är bara en temperaturmätning och hjälper en inte nödvändigtvis att nå dit.

En viktig lärdom från Spotify var hur lång tid det kan ta att förändra lutningen på tillväxtkurvan. Det här är offentlig information, men det fanns en intern podd som hette The Curve av just den anledningen. Gustav Söderström, produktchefen, brukade intervjua olika personer i företaget.

Jag var där i fem år, medan Gustav hade varit där i ungefär tolv år och i princip blivit en av företagets mest inflytelserika chefer. Jag skulle säga att hans slutsats efter de tolv åren är att man måste ägna tolv år åt att göra satsningar, genomföra experiment och fatta rätt beslut för att nå produkt–marknadspassning.

Det är inget som händer snabbt. Inget enskilt verktyg kan ta en dit. Det handlar om detaljerna i alla dessa olika delar som kommer samman. Men AI kan mycket väl minska tiden för alla dessa uppgifter. Den ger inte nödvändigtvis en perfekt lösning som gör att allt händer snabbt, men den kan påskynda tiden det tar att få fram vissa resultat.

Hannah Clark: Det är begripligt. Jag vill återknyta till hela idén om falsifiering. Jag håller med om att det är en stor utmaning som många har svårt att hantera eftersom de måste lägga egot åt sidan. Men jag vill prata lite om hur lämpliga AI-funktioner är i vissa produkter.

Jag tycker att det just nu finns en situation med överdriven fascination för nya funktioner hos många etablerade företag och startupföretag. Det verkar finnas ett stort tryck att integrera AI-funktioner i produkter eftersom det uppfattas som något man måste ha. Samtidigt har jag sett vissa AI-integrationer som enligt min mening inte har tillfört särskilt mycket värde.

Hur kan man förstå om det verkligen är nödvändigt att använda AI eller om det är värt investeringen att lägga till en AI-funktion i en befintlig produkt och bedöma om investeringen skapar värde?

Craig Watson: Vi har alla sett skrämmande användningsområden där en chattbot har försökt sälja en bil eller spårat ur. Det är obehagligt när det händer, och det blir offentligt väldigt snabbt. Om företag gör fel kan varumärket påverkas kraftigt. Därför är det rimligt att ifrågasätta användningsområdena och se till att tekniken används på ett regelrätt och etiskt sätt.

Det sätt jag har sett företag försöka tvinga in AI på är när de befinner sig i lösningsläge och egentligen inte förstår vad kunden försöker uppnå med den aktuella uppgiften i programvaran. Ta Notion som exempel. Vi använder Notion som kunskapsbas i vårt distribuerade företag och är ganska beroende av det eftersom vi delar många skrivna dokument.

Det är naturligtvis en mycket bra tillämpning för AI. Ibland vill jag bara skriva en disposition och kan be AI:n att fortsätta skriva eller förbättra texten. Den passar verkligen in i mitt arbetsflöde. Det finns en snabb återkopplingsloop där. Jag kan rätta till det och gå vidare.

Det är när den så kallade glänsande-objekt-syndromet slår till som människor inte riktigt förstår vad slutanvändaren försöker uppnå. Om man optimerar något som ändå inte hjälper personen i arbetet ser det bara häftigt eller intressant ut.

Det kommer aldrig att förbättra saker på riktigt. Det kommer inte att hjälpa. Det vi har lärt oss är därför att alltid gå tillbaka till grundprinciperna: förstå vad någon försöker uppnå och hur AI kan påskynda flödet, minska kostnaden eller skapa någon annan effektivitet som gör investeringen värd det ur produktutvecklingsperspektiv.

Det är ingen garanti. Man måste verkligen kontrollera om investeringen är värd att göra. Ibland är små, trevliga förbättringar värda investeringen. Vi har personligen lagt månader på att få det konversationsbaserade användargränssnittet i Arro rätt, eftersom det är kärnan i vår produkt. Det är helt rimligt att vi har lagt 80–90 % av tiden på det.

Vi har inte lagt resten av tiden på att införa slumpmässiga små AI-funktioner i produkten bara för att det ska se häftigt ut, eller så att man kan trycka på en liten trollstav och en magisk knapp och något trevligt händer. Det handlar alltid om vad människor försöker uppnå. Hur kan man påskynda det eller förbättra det? Om AI passar bra för det är investeringen absolut värd det.

Hannah Clark: Jag håller helt med. När vi ändå talar om att fatta kanske lite tveksamma beslut, oavsett om det gäller att investera tid eller pengar, vilka andra förbehåll skulle du som grundare vilja varna andra grundare eller produktchefer för under upptäcktsfasen, särskilt i dagens situation?

Craig Watson: Det beror mycket på situationen och vilket skede man befinner sig i. Om man är i ett mycket tidigt skede handlar det nästan helt om att hitta rätt marknad att placera produkten på och förstå den marknaden mycket väl. Ibland bygger människor en startup kring ett problem de själva har.

Då känner de till problemet. I andra fall gillar de en viss marknad och vill angripa den samt hitta intressanta sätt att göra det på. Det sämsta sättet är att bygga en lösning och sedan försöka hitta ett problem som den passar för, men det händer också.

Beroende på vilket skede man befinner sig i ser det annorlunda ut. Om man är ett företag i tillväxtfas använder många av Arros kunder produkten för att de har en mogen produkt men inte nödvändigtvis tillräcklig undersökningskapacitet för att förstå hur de ska bygga en ny funktion.

Ett verktyg som Arro hjälper dem att skala upp sina undersökningsinsatser och komma i kontakt med fler kunder, så att de kan få in fler insikter. Men jag skulle säga att Arro kanske inte passar lika bra för ett företag i ett mycket tidigt skede, eftersom jag tycker att relationsbyggande är så viktigt. Man behöver träffa potentiella kunder, lära sig om deras problem och göra den generativa forskning som rör ens värdeerbjudande.

Mitt råd är därför att det beror på varje enskilt fall. Det finns ingen lösning som passar alla. Det finns många bra böcker där ute. Teresa Torres har skrivit om kontinuerlig produktupptäckt. Michele Hansen har skrivit en bok om hur man pratar med kunder. Även materialet om Jobs To Be Done är bra.

Det beror verkligen på vilket skede man befinner sig i, men det finns väldigt många bra källor. Jämfört med för bara fem år sedan har produktupptäckt utvecklats enormt när det gäller kunskap och metoder. Det finns något för alla.

Hannah Clark: Ja, det håller jag med om. Vi hade nyligen ett bra avsnitt med Steve Portigal, som skrev boken om att intervjua användare. Han hade mycket intressanta insikter om psykologin bakom att prata med människor och om hur man får fram de bästa insikterna utan att själv påverka samtalet och resultatet.

Det här har varit ett fantastiskt samtal, Craig. Jag uppskattar verkligen att du ville vara med i dag. Var kan lyssnarna följa ditt arbete på nätet?

Craig Watson: Ni får gärna besöka Arro på www.arro.co. Ni kan också gärna kontakta mig på LinkedIn – jag heter Craig Watson. Jag är en av medgrundarna av Arro. På Twitter heter jag cdcwatson.

Jag pratar gärna med människor. Om ni har frågor är det bara att höra av er.

Hannah Clark: Tack så mycket för att du var med. Vi uppskattar det verkligen, och tack för att du delade med dig av alla dina insikter.

Craig Watson: Det var ett nöje. Tack för att jag fick vara med, Hannah. Det var trevligt att prata med dig.

Hannah Clark: Tack för att ni lyssnade. För fler bra insikter, guider och verktygsrecensioner kan ni prenumerera på vårt nyhetsbrev på theproductmanager.com/subscribe. Du kan höra fler samtal som detta genom att prenumerera på The Product Manager där du brukar lyssna på poddar.